Datadrivna beslut inom digital marknadsföring för SMB företag
4211
page-template,page-template-full_width,page-template-full_width-php,page,page-id-4211,bridge-core-3.1.4,qode-page-transition-enabled,ajax_fade,page_not_loaded,,qode-title-hidden,transparent_content,qode-child-theme-ver-1.0.0,qode-theme-ver-30.3,qode-theme-bridge,disabled_footer_bottom,qode_header_in_grid,wpb-js-composer js-comp-ver-7.5,vc_responsive

Lästid 12 min

Datadrivna beslut inom digital marknadsföring för SMB företag

Vad är datadriven marknadsföring?

Datadriven marknadsföring är marknadsinsikter och beslut som uppstår genom analys av data om eller från konsumenter.

Verksamheter kan nu se en mer komplett bild av sina kunders behov och önskemål. Marknadsförare kan sedan fatta beslut utifrån dessa data och eliminera antaganden eller gissningar.

Till hjälp att fatta beslut finns numera AI eller artificiell intelligens. AI underlättar bearbetning av data och tar beslut baserat på data. AI inom datadriven marknadsföring används mest av globala företag men kan inom vissa marknadsföringsområden även användas av SMB (Små & Medelstora) företag. Utan AI är det svårt att dra full nytta av datadriven marknadsföring. Samtidigt finns inget självändamål med AI. Hur AI kan hjälpa till att nå verksamhetens mål bestämmer, och idag är svaret på ”hur” komplicerat för SMB företag.

Är datadrivna beslut och artificiell intelligens för SMB företag?

Artificiell intelligens förutspås skapa sådan djupgående förändring i människors liv att artificiell intelligens liknas med ”Den fjärde industriella revolutionen”. Den första revolutionen var uppfinningen av ångmaskinen, den andra massproduktion och den tredje uppgången av den digitala tidsåldern.

AI finns redan idag runt omkring oss. Och med tanke på att AI är oundvikligt kanske det känns som en bra idé att hoppa på AI tåget tidigare än senare för att bli mer konkurrenskraftig. Eller hur? Nej, nyckelordet här är försiktighet.

Lyssnar man på hypen på till exempel social media eller läser om tillämpningar i tidningar, ser på tv, mm kan man tro att AI fått en stor spridning. Så är det inte. AI är fortfarande i ett tidigt utvecklingsstadie. AI är dyrt och komplext utan bevis på direkt avkastning, särskilt för SMB företag med begränsad datamängd, resurser och kompetens inom datavetenskap.

Maskininlärning är bra på att upptäcka mönster i data och optimera processer men kan inte lösa eller göra det människor vill bara för att det finns ett behov. Att göra en sådan anpassning för att täcka ett behov kräver mycket arbete, forskning och resurser SMB företag inte har.

Idag kräver AI väldigt specialiserad kompetens. Dessutom är utveckling av AI-applikationer inte något en person gör. Det involverar vanligtvis flera experter inom en bransch varav många måste utbildas i vetenskapen om AI. Utmaningen att sätta samman en sådan grupp är stor även för globala företag. För att inte nämna kostnaden, en sådan budget har inte SMB företag.

En bra liknelse är när den personliga datorn kom på 70-talet. Även om många SMB företag var bekanta med benämningen ”dator” i början på 80-talet var teknologin dyr och komplex. Datorerna krävde experter för att göra någon nytta alls. Datorer var inte nödvändiga för att driva en återförsäljarverksamhet, hotell, butiker, kontor mm. Tvärtom, anpassning till datorer var troligen slöseri med tid och resurser.

Samma sak gäller för AI och SMB företag 2019. AI är generellt inte nödvändigt för att nå verksamhetens mål. På 80-talet kände inte människor att de behövde köpa in datorer till verksamheten. Idag på grund av hypen och upphetsningen kring AI teknologin känner många trycket att hitta sätt att använda AI nu.

Och precis som på 80-talet finns det verksamheter som gör en korrekt bedömning i att investering i AI nu kan hjälpa verksamheten i framtiden. Verksamheter som idag kan utnyttja AI teknologi för bättre affärsfunktioner och lönsamhet.

För att prata klartext borde ingen tänka på att springa mot AI utan ett tydligt affärsmål. AI kommer precis som datorn och internet bli affärskritisk för SMB företag, men inte inom de närmaste åren.

Hur idag utnyttja applikationer som använder AI i SMB företag?

Även om AI idag är dyrt och komplext kan SMB företag dra nytta av AI genom företag som erbjuder AI integrerade användarvänliga produkter. Precis som en programvara (typ Microsoft Office, MailChimp, Google Ads) utvecklad av andra som kan programvaran och hur den blir effektiv.

Ett bra exempel är programmatisk annonsering genom företag som Google och Facebook.

Både Google och Facebook´s reklamplattformar använder artificiell intelligens och maskininlärning på väldigt robusta sätt. På Facebook till exempel går det att skapa en ”Lookalike-målgrupp”. En fil med kunddata för en kampanj laddas upp på Facebook. Facebook använder sedan AI för att hitta användarna i filen, gemensamma nämnare för vad de gillar, var de bor, kön, vad de gör, etc. Algoritmen används för att hitta, matcha och gruppera liknande användare på Facebook.

En annan algoritm tittar på alla som budar för exponering framför olika typer av individuella användare och bestämmer vilka annonser som visas och när. Annonseringen är spridd över alla användare i realtid och till annonser Facebook tror inte bara ska generera klick men också upplevs som användbara och trevliga.

Facebook använder AI och maskininlärning för att tillhandahålla bättre användarupplevelse som är till fördel för både användare och verksamheten ifråga. Facebook vill exponera annonser framför människor de tror kommer göra något med annonserna. Något som uppmuntrar annonsörer att lägga pengar på Facebook-annonsering. Google fungerar på ett liknande sätt med Google Ads fast utifrån sökningar på internet.

Både Facebook och Google Ads är ett sätt för SMB företag att använda AI på mycket påtagligt sätt.

Ett annat område där SMB företag har möjlighet att använda AI för verksamhetens mål är inom datasäkerhet. Inom datasäkerhet kan bedrägerier och säkerhetsintrång sänka eller avsevärt hämma de flesta verksamheter. Så ofta är detta inget val utan en nödvändighet för verksamheten. SMB företag är också mer sårbara för hackare än stora företag, då de inte har tillräckliga kontroller på plats.

Ett exempel på applikation inom datasäkerhet som använder AI är Darktrace med sitt Enterprice Immune System. Enligt hemsidan bygger applikationen sin egen unika förståelse för vad som är ”normalt” beteende inom verksamheten och kan upptäcka nya hot i realtid. Applikationen kräver ingen särskild kunskap för att installeras och är självlärande. Alltså, ingen behöver pilla med applikationen när den är på plats.

Datasäkerhet är särskilt allvarligt för verksamheter som accepterar online-betalningar. Här har de flesta företag som hanterar online-transaktioner som Stripe, PayPal och Klarna sin egen säkerhet på plats. Och en del av det bygger på självlärande maskininlärning för att till exempel upptäcka bedrägerier. För såväl användare som säljande företag är det enkelt, kostnadseffektivt och driver värde.

Med detta sagt om AI applikationer i SMB företag är det viktigt att komma ihåg att AI är ett verktyg för att nå mål inget mål i sig. Dåligt är att använda en applikation bara för att den baseras på AI. AI kommer inte att lösa affärsproblem eller säkerställa framgång genom sin blotta närvaro. Ställ frågan hur AI kan hjälpa verksamheten.

Att annonsera på Facebook för att Facebook använder AI betyder inte att det är bra för just er verksamhet. AI eller ingen AI – använd Facebook-annonsering om det verkar vettigt för att nå affärsmål, inte annars.

Förbereda verksamheten för framtiden med AI.

Då AI till sist kommer vara en del av ryggraden i en verksamhet precis som datorer och programvara är idag, är det en bra idé att börja förbereda verksamheten. Särskilt om verksamhetens tillväxt är betydelsefull.

Här finns det två mycket möjliga situationer där SMB företag kan bli mer involverade med AI än att bara utnyttja någon annans färdiga ”paketlösning”.

Situation 1 – Ta hjälp av andra företag

För att kunna fastställa vilka användare som med störst sannolikhet konverterar i senare sessioner tillämpar Google Analytics maskininlärning på historisk konverteringsdata. Sedan hanterar Google Analytics remarketing-målgruppen på ett dynamiskt sätt för att fokusera på dessa användare.

Snart (redan nu faktiskt) kommer inte AI applikationer att behöva födas med stora dataströmmar från till exempel SMB företag innan applikationen gör verklig nytta. Dessa applikationer kommer sannolikt att utnyttja data från många SMB företag och på så sätt utbilda en AI applikation. Genom det blir startsträckan väldigt kort.

Ett exempel från Google Analytics och som finns idag är ”Smarta listor”. En smart lista är en remarketingmålgrupp som Google Analytics skapar i syfte att få fler konverteringar.

Maskininlärningen använder ett flertal signaler som plats, enhet, webbläsare, hänvisningsadress, sessionslängd och antal sidor per besök för att identifiera användare i målgruppen. Modellen uppdateras vanligtvis dagligen för att återspegla senaste data som Analytics har tillgång till. Användare läggs automatiskt till eller tas bort från målgruppen baserat på den modellen.

En smart lista specifik för verksamheten kräver minst 500 e-handelstransaktioner i månaden och 10 000 sidvisningar om dagen för att kunna genereras av Google Analytics. Om verksamhetens hemsida inte har det utfallet, genereras den smarta listan utifrån konverteringsdata från verksamheter som påminner om verksamheten och som har valt att dela sin anonymiserade konverteringsdata med Google Analytics.

Ett annat exempel är inom automatiserad marknadsföring. Ett företag som säljer tjänster kring mejlutskick kan bestämma de bästa tiderna under dagen att mejla reklam. Eller bästa sättet att A/B testa rubriker. Och som med Google Analytics baseras data på tusentals kunder så när en ny SMB kund börjar använda tjänsten kan de utnyttja den direkt utan att behöva generera data själva.

Situation 2 – Kan själv

Den andra omständigheten är att när en verksamhet haft sådan tillväxt att verksamheten faktiskt har råd att bygga en egen AI applikation. Alternativt att AI blir lika tillgänglig som många program idag där anpassningar kan ske utan stora resurser. Det här sista kommer dock att dröja.

Även om AI idag inte är tillgängligt för SMB företag på ett kortsiktigt lönsamt sätt (undantaget en AI specifik startup med tekniska medgrundare), kan SMB företag idag förbereda sig för den tid då de kvalificerar sig för ett av ovan scenarios.

Avslutningsvis är behovet av data det ovan scenarios har gemensamt. En solid infrastruktur för data kommer att vara en nödvändighet om AI ska blandas in i framtiden. Jag har under mina år inom Analytics ofta träffat på SMB verksamheter där grundläggande spårning är fel uppsatt. Ingen har koll. Ofta får jag börja med att justera så rätt saker mäts och på rätt sätt och kunden har ingen genomtänkt uppfattning om hur data ska hanteras. Till det här kommer att data också måste vara lätt åtkomlig i kompatibla format och inte fastna i silos. Till exempel att kunna koppla flera olika datakällor till ett rapportverktyg som till exempel Google Data Studio.

Navigera rätt i den datadrivna marknadsföringen eller misslyckas.

Att data är nyckelkomponenten som driver beslut vad avser konsumentbeteende och marknadsstrategier är väldigt tydligt. Vidare att AI effektiviserar besluten men att kvaliteten på data är avgörande för rätt beslut.

För marknadsförare hjälper data till att skapa en precis kundresa och öka konverteringar. Men det gäller att navigera rätt i havet av data. Annars kommer inget att hända. Här finns det några utmaningar.

Så vad krävs specifikt för att få en SMB verksamhet på rätt väg?

Implementera en strategi för hantering av data

En datahanteringsstrategi refererar till en uppsättning riktlinjer och tillvägagångssätt som en verksamhet följer för att framgångsrikt behålla kontrollen över och skydda data från hot och utmaningar. Datahanteringsstrategin är unik för verksamheten ifråga men brukar innehålla:

  • Datakällor
  • Datamängder (nya och befintliga)
  • Datalagring
  • Värdet på data
  • Tillgång till data

Strategin är inte bara viktig utifrån förtroende för data – tydlighet kring datahantering ökar användarnas engagemang kring dataanalys. Det är enklare att följa lagar och regler. Bättre koordination ökar också internt samarbete. En strategi för hantering av data möjliggör också för verksamheten att komma överens om en gemensam uppsättning mätvärden, nyckeltal, datadefinitioner och affärsregler runt datahantering.

Men strategin är minst lika viktig för företagskulturen. Den signalerar ett kulturskifte i verksamheten. Från en verksamhet som har en massa data till en verksamhet som hanterar sin data väl och värderar dataanalyser mycket. Därför är det ledningen som äger datahanteringsstrategin som via den pekar med hela handen.

Bilden visar hur det schematiskt kan se ut för ett globalt företag.

Datahanteringsflöde ex - maxahemsidan-min

När det finns en strategi kan man fundera på om det behövs förändringar i system och infrastruktur. Behövs komplettering. Kanske inte på direkten men när uppgradering eller byte ska ske missas inte det i kravspecifikationen.

Med rätt tillvägagångssätt hamnar marknadsförare i en mycket bättre position för att samla in data, analysera och förbättra den digitala marknadsföringens resultat genom datadrivna insikter.

Säkerställ att det är rätt data

1. Kontrollera dataflödet

Många verksamheter har problem med att förstå användares beteende eller resa. Anledningen är avsaknad av data eller okunskap om data och hur data hänger ihop. Så det är första steget, att förstå vilken data som finns och genom det användares beteende.

Vilka förstahandsdata finns och var kommer den från? Finns löpande försäljningsdata, interaktioner på webbplatsen, eller annan kunddata? Är data ren, korrekt och är någon ansvarig? Går det att komma åt data eller ägs den av en byrå eller någon annan?

2. Sätt in data i sammanhang

Här pratar vi inte om rapportering som att trafiken ökat med 20% år över år där mobiltrafiken ökat mest, utan att liknande saker mäts på samma sätt. Till exempel att gruppera användare av hemsidan utifrån beteende och implementera spårning av hemsidan via en Google Tag Manager container per hemsida. Då samlas all användar- och händelsedata in på samma sätt i ordning för alla hemsidor. Genom det blir det lättare att jämföra data och underhålla spårningssystemet.

3. Demokratisera data

Målet med data är ju att fatta bättre beslut och förbättra resultaten. Då måste alla och inte endast den som analyserar data ha tillgång. Öppenhet är mantrat vilket ger alla tillgång till insikter, men alla måste också veta var data kommer från och hur den ska användas.

På det här sättet dricker alla ur samma databrunn (ta med egen mugg). Därför är det viktigt att använda plattformar som marknadschefen, produktchefen, NN och andra roller kan använda.

4. Nyckeltal som matchar affärsmål

Det måste finnas en enda bild av hur verksamheten beskriver sin kund (vem är kunden/kundens persona?) och hur verksamheten mäter avkastning på datadriven marknadsföring för att datadriven marknadsföring ska lyckas. Datadriven digital marknadsföring syftar ju till att generera bättre resultat genom att tillhandahålla bättre användarupplevelse genom personalisering. Då måste man veta vem kunden är och hur resultatet ska mätas.

Resultatet från datadriven marknadsföring måste också gå att matcha med övergripande affärsmål. Vilka affärsmål ska uppnås med hjälp av dataanalys (av digital marknadsföring).

Optimalt är att ha 3 – 5 nyckeltal utifrån ett affärsmål som kompletterar varandra och successivt byts ut när de uppnås enligt en plan. Inte bra är att ha ett enda som till exempel konvertering vid köp då det är för kortsiktigt och inte ger en komplett bild. Inte heller bra att ha för många nyckeltal då det kommer minska fokus.

Arbeta metodiskt i små steg

Data som gör det möjligt att se vad som händer under kundens resa och som ligger till grund för informerade beslut ska organiseras och rapporteras på ett konsekvent sätt för att säkerställa datakvaliteten. Det finns många sätt att få insikt från data, men för att kunna göra det måste tid investeras i att analysera vad data säger.

Rätt data om en kundens resa ger en utgångspunkt. Men för att få ut något värde från data måste den bearbetas och sedan appliceras på marknadsföringsinsatser. Detta bör ske i små steg.

Anledningen till små steg är att inlärningskurvan blir brantare då data samlas in snabbare och små steg är lättare att implementera i tid än stora steg. Ju snabbare kunskap erhålls om vad som fungerar, var det fungerar och när det fungerar, desto snabbare kommer resultatet.

Börja med att ställa en fråga baserad på de data som finns. Utifrån frågan formuleras sedan en hypotes som testas genom en aktivitet. Kontrollera att resultatet från aktiviteten går att lita på. Analysera resultatet, dra slutsatser och presentera resultatet. Bestäm sedan nästa steg. Om det här appliceras på mindre aktiviteter går det snabbt att genomföra. Mer djupgående om metodiken beskrivs i eBoken som går att ladda ner här på sidan.

Bli inte för datadriven

Eller använd mätvärden som en ursäkt för att följa dåliga marknadsföringsregler. Då kan siffrorna ta över med tunnelseende som följd. Kunden tappas bort men också verksamhetens bästa.

Enda sättet att inte hamna här är att fokusera på kampanjer som vänder sig till människor (inte siffror). Att inte börja se (innovativa/kreativa) kampanjer som risker som kan påverka en viss kampanjs uppsatta mål när det gäller mätvärdena.

En annan fara är en kognitiv bias som heter Observationsförskjutning eller strålkastareffekt. Denna effekt inträffar man letar efter data bara där det är upplyst.

Om man jämför Google Analytics med gränder i en stad, har Google Analytics många mörka gränder som måste lysas upp om inte strålkastareffekten ska inträffa, det vill säga man letar bara där det är upplyst. Om data då styr marknadsföringen kan väldigt tokiga effekter uppstå för bilden inte är fullständig.

Enkelt uttryckt, när vi letar efter något där det är lättare att titta, inte nödvändigtvis på bästa stället. Detta är ett vanligt oavsiktligt problem som människor har när de använder Google Analytics, särskilt när de arbetar i standardkonfigurationer.

En pragmatisk metodik för datadrivna beslut inom digital marknadsföring

eBok som beskriver hur du tar kommandot över en strukturerad repeterbar process för att bedriva framgångsrik digital marknadsföring. En enkel process som många säkert redan har i huvudet och arbetar utifrån fast de inte tänker på det. Resultat genom datadrivna beslut på ett snabbt sätt.